Este relatório analisa o treino matinal de remo no Yacht Club da Bahia em 29 de Janeiro de 2026. Os dados de GPS são baixados da plataforma Treinus e os dados ambientais da boia SIMCOSTA 515. O relatório calcula os trechos mais rápidos de 500 m em linha reta e examina como vento e corrente influenciaram cada desempenho.

1 – Pacotes

library(yachtvaa)
library(dplyr)
library(sf)
library(ggplot2)
library(lubridate)

2 – Aquisição de dados

Baixa os registros GPS dos remadores e os dados da boia SIMCOSTA 515 em uma única chamada. Com cache = TRUE os dados são lidos do disco sem necessidade de autenticação.

if (!params$cache) {
 session <- treinusr::treinus_auth()
}
use_cache <- params$cache
raw <- fetch_session_data(
  session = session,
  date        = params$date,
  start_time  = params$start_time,
  end_time    = params$end_time,
  athlete_ids = params$athlete_ids,
  cache       = use_cache,
  overwrite_db=!use_cache,
  use_memoise=FALSE
)

records <- raw$records
buoy    <- raw$buoy

# Filtro espacial: manter apenas pontos GPS dentro da área de estudo
records_sf <- records_to_sf(records)
study_area <- sf::st_bbox(
  c(xmin = -38.61380, ymin = -13.00741,
    xmax = -38.46308, ymax = -12.81308),
  crs = 4326L
) |>
  sf::st_as_sfc() |>
  sf::st_transform(sf::st_crs(records_sf))
records_sf <- records_sf[lengths(sf::st_intersects(records_sf, study_area)) > 0, ]

3 – Quem estava na água?

Nem todo atleta retornado pelo Treinus realmente remou – alguns podem ter registros GPS breves em terra. Mantemos apenas atletas com pelo menos 100 pontos GPS e percurso acumulado superior a 200 m.

track_summary <- records_sf |>
  st_drop_geometry() |>
  summarise(
    n_fixes      = n(),
    first_fix    = min(timestamp),
    last_fix     = max(timestamp),
    duration_min = as.numeric(difftime(max(timestamp), min(timestamp),
                                       units = "mins")),
    .by = c(id_athlete, fullname_athlete)
  )

# Distância acumulada ponto a ponto por atleta
track_distance <- records_sf |>
  arrange(id_athlete, timestamp) |>
  mutate(
    coords = st_coordinates(geometry),
    x = coords[, 1],
    y = coords[, 2],
    .keep = "unused"
  ) |>
  st_drop_geometry() |>
  summarise(
    track_distance_m = sum(sqrt(diff(x)^2 + diff(y)^2)),
    .by = id_athlete
  )

track_summary <- track_summary |>
  left_join(track_distance, by = "id_athlete")

paddlers <- track_summary |>
  filter(n_fixes >= 100, track_distance_m >= 200)

paddlers |>
  arrange(desc(track_distance_m)) |>
  mutate(
    track_distance_km = round(track_distance_m / 1000, 1),
    duration_min      = round(duration_min, 0)
  ) |>
  select(fullname_athlete, n_fixes, duration_min, track_distance_km) |>
  knitr::kable(
    col.names = c("Atleta", "Pontos GPS", "Duração (min)", "Distância (km)"),
    caption   = "Atletas identificados na água"
  )
Atletas identificados na água
Atleta Pontos GPS Duração (min) Distância (km)
Victor Patiri 1425 90 10.7
Eduardo Valdes Sanchez 638 80 9.8
Stela de Sá Hama 713 60 9.7
Iris Azi 1064 60 9.7
Rosário Calmon 651 60 9.7
Verena Barbara Carneiro 900 61 9.6
Carita Souza 808 61 9.6
Fernanda Siqueira 965 61 9.6
Marina Cobalchini 753 61 9.5
Eduardo Leoni 3600 60 9.0
RICARDO RAPPEL 904 62 9.0
JULIANA RAPPEL 592 62 9.0
Renata Bandeira Machado Chaves 712 60 8.9
José Barretto 3613 60 8.8
Patrícia IGLESIAS 589 50 7.4
Luiz Santos Souza Neto 817 51 2.8 
records_sf <- records_sf |>
  filter(id_athlete %in% paddlers$id_athlete)

n_paddlers <- nrow(paddlers)

4 – Mapa dos trechos mais rápidos

arrow_df <- fast500 |>
  as_tibble()

basemap <- maptiles::get_tiles(records_sf, provider = "CartoDB.Positron",
                               crop = TRUE, verbose = FALSE)

ggplot() +
  tidyterra::geom_spatraster_rgb(data = basemap) +
  geom_sf(data = records_sf, colour = "grey50", size = 0.1, alpha = 0.4) +
  geom_segment(
    data = arrow_df,
    aes(x = start_x, y = start_y, xend = end_x, yend = end_y,
        colour = avg_speed_kmh),
    arrow = arrow(length = unit(0.3, "cm"), type = "closed"),
    linewidth = 1.3
  ) +
  ggrepel::geom_text_repel(
    data = arrow_df,
    aes(x = (start_x + end_x) / 2, y = (start_y + end_y) / 2,
        label = fullname_athlete),
    size = 2.5, max.overlaps = 20,
    bg.color = "white", bg.r = 0.15
  ) +
  scale_colour_viridis_c(option = "plasma", name = "Vel. (km/h)") +
  coord_sf(crs = sf::st_crs(records_sf)) +
  labs(
    title    = paste("Trechos mais rápidos de 500 m --", date_short),
    subtitle = "Setas indicam a direção do percurso; cor = velocidade do atleta"
  ) +
  theme_void(base_size = 11) +
  theme(
    legend.position = "bottom",
    plot.title      = element_text(face = "bold"),
    plot.margin     = margin(5, 5, 5, 5)
  )
Trechos mais rápidos de 500 m em linha reta. Setas indicam a direção do percurso.

Trechos mais rápidos de 500 m em linha reta. Setas indicam a direção do percurso.

5 – Condições da boia durante o treino

Interpolar os dados da boia em uma grade regular de 10 minutos.

buoy_ip <- interpolate_buoy(buoy)

Vento

has_wind <- "wind_speed" %in% names(buoy_ip) &&
  any(!is.na(buoy_ip$wind_speed))
buoy_wind <- buoy_ip |>
  filter(!is.na(wind_speed)) |>
  mutate(
    wind_speed_kmh = wind_speed * 3.6,
    local_time     = with_tz(datetime, tzone = "America/Bahia")
  )

p_speed <- ggplot(buoy_wind, aes(local_time, wind_speed_kmh)) +
  geom_line(linewidth = 0.8, colour = "#0072B2") +
  geom_point(size = 1.5, colour = "#0072B2") +
  labs(y = "Velocidade do vento (km/h)", x = NULL, title = "Condições de vento") +
  theme_minimal(base_size = 11)

p_dir <- ggplot(buoy_wind, aes(local_time, wind_direction)) +
  geom_line(linewidth = 0.8, colour = "#D55E00") +
  geom_point(size = 1.5, colour = "#D55E00") +
  scale_y_continuous(
    limits = c(0, 360),
    breaks = seq(0, 360, 90),
    labels = c("N", "E", "S", "W", "N")
  ) +
  labs(y = "Direção do vento (de)", x = "Hora local (America/Bahia)") +
  theme_minimal(base_size = 11)

gridExtra::grid.arrange(p_speed, p_dir, ncol = 1)
Velocidade e direção do vento registradas pela boia SIMCOSTA 515.

Velocidade e direção do vento registradas pela boia SIMCOSTA 515. 

cat("**Sem dados de vento disponíveis para este treino.** O vento será tratado como zero.\n")

Corrente

buoy_current <- buoy_ip |>
  filter(!is.na(current_speed_kmh)) |>
  mutate(local_time = with_tz(datetime, tzone = "America/Bahia"))

p_cspeed <- ggplot(buoy_current, aes(local_time, current_speed_kmh)) +
  geom_line(linewidth = 0.8, colour = "#009E73") +
  geom_point(size = 1.5, colour = "#009E73") +
  labs(y = "Velocidade da corrente (km/h)", x = NULL, title = "Condições de corrente") +
  theme_minimal(base_size = 11)

p_cdir <- ggplot(buoy_current, aes(local_time, current_direction)) +
  geom_line(linewidth = 0.8, colour = "#CC79A7") +
  geom_point(size = 1.5, colour = "#CC79A7") +
  scale_y_continuous(
    limits = c(0, 360),
    breaks = seq(0, 360, 90),
    labels = c("N", "E", "S", "W", "N")
  ) +
  labs(y = "Direção da corrente (para)", x = "Hora local (America/Bahia)") +
  theme_minimal(base_size = 11)

gridExtra::grid.arrange(p_cspeed, p_cdir, ncol = 1)
Velocidade e direção da corrente registradas pela boia 515.

Velocidade e direção da corrente registradas pela boia 515.

6 – Condições nos trechos mais rápidos

Associar cada segmento à observação mais próxima da boia via rolling join e calcular ângulos relativos de vento/corrente.

buoy_for_match <- buoy_ip |>
  transmute(
    datetime,
    wind_direction_deg    = if ("wind_direction" %in% names(buoy_ip))
      wind_direction else NA_real_,
    wind_speed_kmh        = if ("wind_speed" %in% names(buoy_ip))
      wind_speed * 3.6 else NA_real_,
    current_direction_deg = current_direction,
    current_speed_kmh     = current_speed_kmh,
    wave_height,
    wave_direction
  )

matched <- match_buoy_to_segments(fast500, buoy_for_match)

Calcular ângulos relativos de vento/corrente e componentes ao longo do percurso. Quando dados de vento não estão disponíveis, são imputados como zero.

conditions <- apparent_conditions(matched, impute_missing_wind = !has_wind)

Corrente relativa ao rumo

Direção da corrente em relação ao rumo do trecho mais rápido de cada atleta. Topo = corrente a favor (de popa), base = corrente contrária (de proa). O raio indica a intensidade da corrente.

current_polar <- conditions |>
  as_tibble() |>
  filter(!is.na(current_speed_kmh)) |>
  mutate(
    current_relative_deg = (current_direction_deg - bearing_deg) %% 360
  )

current_r_max <- max(5, max(current_polar$current_speed_kmh, na.rm = TRUE))

ggplot(current_polar, aes(x = current_relative_deg, y = current_speed_kmh)) +
  geom_point(aes(colour = avg_speed_kmh), size = 3) +
  ggrepel::geom_text_repel(
    aes(label = fullname_athlete),
    size = 2.5, max.overlaps = 20
  ) +
  coord_polar(start = 0, direction = -1) +
  scale_x_continuous(
    limits = c(0, 360),
    breaks = c(0, 90, 180, 270),
    labels = c("A favor", "90\u00b0", "Contra", "270\u00b0")
  ) +
  scale_y_continuous(limits = c(0, current_r_max)) +
  scale_colour_viridis_c(option = "plasma", name = "Vel. atleta\n(km/h)") +
  labs(
    title    = "Corrente relativa ao rumo do trecho mais rápido",
    subtitle = "Topo = a favor, base = contrária; cor = velocidade do atleta",
    x = NULL,
    y = "Vel. corrente (km/h)"
  ) +
  theme_minimal(base_size = 11)
Corrente relativa ao rumo: topo = a favor, base = contrária. Raio = velocidade da corrente.

Corrente relativa ao rumo: topo = a favor, base = contrária. Raio = velocidade da corrente.

Vento relativo ao rumo

Mesma lógica aplicada ao vento. Topo = vento a favor (de popa), base = vento contrário (de proa).

wind_polar <- conditions |>
  as_tibble() |>
  filter(!is.na(wind_speed_kmh)) |>
  mutate(
    wind_relative_deg = (wind_direction_deg + 180 - bearing_deg) %% 360
  )

wind_r_max <- max(30, max(wind_polar$wind_speed_kmh, na.rm = TRUE))

ggplot(wind_polar, aes(x = wind_relative_deg, y = wind_speed_kmh)) +
  geom_point(aes(colour = avg_speed_kmh), size = 3) +
  ggrepel::geom_text_repel(
    aes(label = fullname_athlete),
    size = 2.5, max.overlaps = 20
  ) +
  coord_polar(start = 0, direction = -1) +
  scale_x_continuous(
    limits = c(0, 360),
    breaks = c(0, 90, 180, 270),
    labels = c("A favor", "90\u00b0", "Contra", "270\u00b0")
  ) +
  scale_y_continuous(limits = c(0, wind_r_max)) +
  scale_colour_viridis_c(option = "plasma", name = "Vel. atleta\n(km/h)") +
  labs(
    title    = "Vento relativo ao rumo do trecho mais rápido",
    subtitle = "Topo = a favor, base = contrário; cor = velocidade do atleta",
    x = NULL,
    y = "Vel. vento (km/h)"
  ) +
  theme_minimal(base_size = 11)
Vento relativo ao rumo: topo = a favor, base = contrário. Raio = velocidade do vento.

Vento relativo ao rumo: topo = a favor, base = contrário. Raio = velocidade do vento. 

cat("**Sem dados de vento disponíveis.** Gráfico polar de vento omitido.\n")

7 – Classificação

league <- build_league_table(conditions, athlete_col = "fullname_athlete")
league_fmt <- format_league(league, top_n = 15)

league_fmt |>
  select(
    rank, fullname_athlete, predicted_time_fmt, avg_speed_kmh,
    wind_class, wind_component_kmh,
    current_class, current_component_kmh
  ) |>
  mutate(
    avg_speed_kmh         = round(avg_speed_kmh, 1),
    wind_component_kmh    = round(wind_component_kmh, 1),
    current_component_kmh = round(current_component_kmh, 1)
  ) |>
  knitr::kable(
    col.names = c(
      "Pos.", "Atleta", "Tempo", "Vel. (km/h)",
      "Vento", "Vento (km/h)", "Corrente", "Corrente (km/h)"
    ),
    caption = paste("Classificação: 500 m mais rápidos em", date_short)
  )
Classificação: 500 m mais rápidos em 29 Jan 2026
Pos. Atleta Tempo Vel. (km/h) Vento Vento (km/h) Corrente Corrente (km/h)
1 Luiz Santos Souza Neto 2:25.6 12.4 headwind -9.5 following 1.5
2 Stela de Sá Hama 2:31.8 11.9 crosswind_left NA following 0.2
3 Rosário Calmon 2:32.0 11.8 crosswind_left NA following 0.2
4 Iris Azi 2:32.5 11.8 crosswind_left NA following 0.2
5 Marina Cobalchini 2:38.3 11.4 crosswind_left NA opposing -0.6
6 Carita Souza 2:38.4 11.4 crosswind_left NA opposing -0.6
7 Fernanda Siqueira 2:38.4 11.4 crosswind_left NA opposing -0.6
8 Verena Barbara Carneiro 2:38.8 11.3 crosswind_left NA opposing -0.6
9 Eduardo Leoni 2:55.4 10.3 crosswind_left NA following 0.6
10 JULIANA RAPPEL 2:55.8 10.2 crosswind_left NA opposing -0.5
11 RICARDO RAPPEL 2:56.1 10.2 crosswind_left NA following 0.6
12 José Barretto 2:56.2 10.2 crosswind_left NA following 0.6
13 Renata Bandeira Machado Chaves 2:56.6 10.2 crosswind_left NA opposing -0.5
14 Patrícia IGLESIAS 2:59.9 10.0 crosswind_left NA opposing -0.4
15 Victor Patiri 3:24.6 8.8 crosswind_left NA cross_left 0.1

8 – Resumo do treino

current_summary <- buoy_current |>
  summarise(
    mean_speed = round(mean(current_speed_kmh, na.rm = TRUE), 2),
    max_speed  = round(max(current_speed_kmh, na.rm = TRUE), 2),
    mean_dir   = round(mean(current_direction, na.rm = TRUE), 0)
  )

winner      <- league_fmt$fullname_athlete[1]
winner_time <- league_fmt$predicted_time_fmt[1]
winner_kmh  <- round(league_fmt$avg_speed_kmh[1], 1)

if (has_wind) {
  wind_summary <- buoy_wind |>
    summarise(
      mean_speed = round(mean(wind_speed_kmh, na.rm = TRUE), 1),
      max_speed  = round(max(wind_speed_kmh, na.rm = TRUE), 1),
      mean_dir   = round(mean(wind_direction, na.rm = TRUE), 0)
    )
  wind_line <- sprintf(
    "- **Vento:** média %s km/h (máx %s), predominante de %s°",
    wind_summary$mean_speed, wind_summary$max_speed, wind_summary$mean_dir
  )
} else {
  wind_line <- "- **Vento:** sem dados disponíveis (imputado como zero)"
}

cat(sprintf(
  "**Resumo do treino:**\n\n
- **Data:** %s
- **Atletas na água:** %d
%s
- **Corrente:** média %s km/h (máx %s), fluindo para %s°
- **500 m mais rápido:** %s em %s (%s km/h)\n",
  date_label,
  n_paddlers,
  wind_line,
  current_summary$mean_speed, current_summary$max_speed, current_summary$mean_dir,
  winner, winner_time, winner_kmh
))

Resumo do treino:

  • Data: 29/01/2026
  • Atletas na água: 16
  • Vento: média 11.2 km/h (máx 14), predominante de 163°
  • Corrente: média 0.57 km/h (máx 1.59), fluindo para 105°
  • 500 m mais rápido: Luiz Santos Souza Neto em 2:25.6 (12.4 km/h)